李王波,范昕桐,顧玲嘉
(吉林大學(xué) 電子科學(xué)與工程學(xué)院,長(zhǎng)春 130012)
由于積雪在冬季森林生態(tài)系統(tǒng)水分循環(huán)和能量流動(dòng)過(guò)程中占有重要地位[1],因此對(duì)森林地區(qū)積雪特性及其動(dòng)態(tài)變化的監(jiān)測(cè)非常重要。而傳統(tǒng)人工觀測(cè)和站點(diǎn)自動(dòng)化定點(diǎn)觀測(cè)數(shù)據(jù)難以滿(mǎn)足較大區(qū)域尺度的積雪參數(shù)研究需求,所以衛(wèi)星遙感技術(shù)成為監(jiān)測(cè)積雪及其時(shí)空變化的有效方法。其中,被動(dòng)微波遙感是目前反演積雪參數(shù)的最有效技術(shù)手段[2]。目前國(guó)際上發(fā)射的星載被動(dòng)微波傳感器主要包括美國(guó)SMMR(Scanning Multichannel Microwave Radiometer)和SSM/I(Special Sensor Microwave Radiometer)數(shù)據(jù)、日本AMSR-E(The Advanced Microwave Scanning Radiometer for EOS)和AMSR-2(The Advanced Microwave Scanning Radiometer 2)數(shù)據(jù)、中國(guó)FY-3B衛(wèi)星MWRI(Microwave Radiation Image)數(shù)據(jù)[3-4]等。筆者使用MWRI被動(dòng)微波數(shù)據(jù)。
在被動(dòng)微波雪深反演領(lǐng)域,目前已有相應(yīng)的物理模型和半經(jīng)驗(yàn)算法。物理模型以輻射傳輸理論為基礎(chǔ),考慮了雪層內(nèi)粒子的微觀結(jié)構(gòu)對(duì)輻射的影響,描述了積雪微波輻射的物理特性[2]。然而在其應(yīng)用過(guò)程中,需要較多的輸入?yún)?shù)且有些很難通過(guò)觀測(cè)實(shí)驗(yàn)獲得,因此限制了其使用范圍。相比物理模型,半經(jīng)驗(yàn)算法不僅操作簡(jiǎn)便,而且在算法運(yùn)用過(guò)程中也不需要輸入較多參數(shù),因此基于半經(jīng)驗(yàn)算法的雪深反演算法是目前被動(dòng)微波雪深反演領(lǐng)域最常用方法。1987年Chang等[5]發(fā)現(xiàn)被動(dòng)微波19 GHz和37 GHz兩個(gè)波段水平極化數(shù)據(jù)的亮溫差值和地表雪深之間存在較強(qiáng)的關(guān)系,以此為基礎(chǔ)建立了經(jīng)典的半經(jīng)驗(yàn)雪深反演Chang算法。該算法是基于SMMR數(shù)據(jù)建立的,因此使用其他衛(wèi)星傳感器的數(shù)據(jù)時(shí)會(huì)產(chǎn)生一定的誤差。基于Chang算法,學(xué)者們開(kāi)展了基于被動(dòng)微波亮溫差的半經(jīng)驗(yàn)雪深反演算法的研究,如美國(guó)國(guó)家冰雪數(shù)據(jù)中心的全球積雪時(shí)間序列數(shù)據(jù)集就是以Chang算法為基礎(chǔ)制作的。針對(duì)Chang算法在森林地區(qū)雪深反演結(jié)果精度較低的問(wèn)題,1997年Foster[6]在Chang算法的基礎(chǔ)上加入了森林覆蓋度參數(shù),并對(duì)Chang算法中的半經(jīng)驗(yàn)系數(shù)進(jìn)行了擬合修正,建立了Foster雪深反演算法。由于國(guó)外學(xué)者建立的半經(jīng)驗(yàn)雪深反演算法所用數(shù)據(jù)均采用國(guó)外實(shí)驗(yàn)實(shí)測(cè)數(shù)據(jù),因此在國(guó)內(nèi)適用性較低,雪深反演結(jié)果具有很大誤差。考慮到中國(guó)地區(qū)積雪分布及特性,2008年Che[7]根據(jù)中國(guó)實(shí)際的積雪地面調(diào)查數(shù)據(jù),對(duì)Foster算法進(jìn)行了參數(shù)本地化處理,提出了Che雪深反演算法,并制作了中國(guó)雪深長(zhǎng)時(shí)間序列數(shù)據(jù)集,填補(bǔ)了國(guó)內(nèi)相關(guān)領(lǐng)域的空白。2019年,Jiang等[8]在Che雪深反演算法的基礎(chǔ)上,結(jié)合中國(guó)東北地區(qū)的積雪環(huán)境特性和實(shí)測(cè)雪深數(shù)據(jù),進(jìn)一步修正了Che雪深反演算法的半經(jīng)驗(yàn)雪深反演系數(shù),建立了適用于中國(guó)東北地區(qū)雪深反演的Yang雪深反演算法。筆者在中國(guó)東北森林地區(qū)氣象站觀測(cè)數(shù)據(jù)的基礎(chǔ)上,綜合考慮影響森林雪深反演精度的森林覆蓋度、氣溫等關(guān)鍵因素,提出了一種適用于中國(guó)東北森林地區(qū)的半經(jīng)驗(yàn)雪深反演算法。實(shí)驗(yàn)結(jié)果表明,與其他半經(jīng)驗(yàn)雪深反演算法和經(jīng)典的機(jī)器學(xué)習(xí)方法相比,筆者提出的雪深反演算法在東北森林地區(qū)具有更好的適用性和更高的準(zhǔn)確度。
1.1 研究區(qū)域
筆者研究地區(qū)為中國(guó)東北地區(qū),經(jīng)緯度范圍從北緯38°43′延伸到北緯53°33′,從東經(jīng)115°44′延伸到東經(jīng)135°05′。東北地區(qū)橫跨中溫帶與寒溫帶,冬季寒冷漫長(zhǎng),是我國(guó)典型季節(jié)性積雪區(qū)之一。此外,東北地區(qū)地形地勢(shì)復(fù)雜,區(qū)域內(nèi)北部為小興安嶺地區(qū),南部為廣袤的東北平原,西部為大興安嶺地區(qū),東部為長(zhǎng)白山山地,中部以平原為主。東北森林地區(qū)集中分布在吉林省和黑龍江省,如圖1所示。
圖1 東北地區(qū)地表覆蓋分類(lèi)圖
東北地區(qū)地形地勢(shì)復(fù)雜,以平原、丘陵和山地為主,植被茂密,地物復(fù)雜。區(qū)域內(nèi)北部為小興安嶺地區(qū),南部為廣袤的東北平原,西部為大興安嶺地區(qū),東部為長(zhǎng)白山山地。東北地區(qū)臨近蒙古高原,由于冬季蒙古高原高緯度、高海拔和高氣壓等因素的影響,每年?yáng)|北地區(qū)都會(huì)受到來(lái)自這里冷空氣的影響,因此在一定程度上影響了東北地區(qū)的冬季氣候,使冬季氣溫低、風(fēng)速快、風(fēng)級(jí)大。東北森林主要集中分布在吉林省和黑龍江省,有多種類(lèi)型的闊葉林和針葉林,且林區(qū)冠層郁閉度極高,茂密的植被和較高的森林覆蓋率延長(zhǎng)了冰雪消融時(shí)間。
1.2 研究數(shù)據(jù)
1) 風(fēng)云三號(hào)衛(wèi)星微波輻射計(jì)數(shù)據(jù)。風(fēng)云3號(hào)B衛(wèi)星發(fā)射于2010年11月5日,其上搭載有多個(gè)傳感器,包括可見(jiàn)光紅外掃描輻射計(jì)(VIRR:Visible and Infrared Radiometer),MERSI(Middle Resolution Imaging Spectrometer),MWRI(微波輻射計(jì))等。FY-3B微波輻射計(jì)(MWRI)有5個(gè)頻率(10.65 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89 GHz)和10個(gè)波段,每個(gè)波段有水平和垂直極化模式,可提供10 km空間分辨率的亮溫?cái)?shù)據(jù),主要用于探測(cè)土壤濕度、海水溫度、冰雪覆蓋等信息,MWRI傳感器的參數(shù)如表1所示。風(fēng)云衛(wèi)星數(shù)據(jù)可由風(fēng)云衛(wèi)星遙感數(shù)據(jù)服務(wù)網(wǎng)(http:∥satellite.nsmc.org.cn/portalsite/default.aspx)下載。
表1 FY-3B MWRI傳感器參數(shù)
2) 中分辨率成像光譜儀數(shù)據(jù)。森林覆蓋度數(shù)據(jù)由中分辨率成像光譜儀的三級(jí)數(shù)據(jù)MCD12Q1地表覆蓋類(lèi)型產(chǎn)品計(jì)算得到,空間分辨率為500 m。MODIS相關(guān)數(shù)據(jù)和產(chǎn)品均可由美國(guó)國(guó)家航空航天網(wǎng)站(https:∥ladsweb.modaps.eosdis.nasa.gov/)下載。該產(chǎn)品共提供5種不同分類(lèi)方案,筆者所用分類(lèi)方案為IGBP(International Geosphere-Biosphere Proqramme)全球植被分類(lèi)方案[9]。按照IGBP分類(lèi)方案分別制作了東北地區(qū)地物分類(lèi)圖(見(jiàn)圖1,空間分辨率500 m)和森林覆蓋度分布圖(見(jiàn)圖2,空間分辨率10 km)。
圖2 東北地區(qū)森林覆蓋度分布圖
3) 森林氣象站數(shù)據(jù)。筆者所用地面觀測(cè)數(shù)據(jù)為2013年-2018年(每年11月-次年3月)東北地區(qū)5個(gè)森林氣象站(新林、圖里河、伊春、漠河、塔河)數(shù)據(jù),其空間分布如圖1所示。數(shù)據(jù)包括觀測(cè)站名稱(chēng)、時(shí)間、地理位置(經(jīng)緯度)、海拔高度、雪深、雪密度、雪溫和雪溫等,共有2 500余組數(shù)據(jù)。氣象站觀測(cè)資料可由中國(guó)氣象數(shù)據(jù)網(wǎng)(http:∥data.cma.cn/)下載。
2.1 半經(jīng)驗(yàn)雪深反演算法
積雪微波輻射特性受多種因素影響,包括雪的溫度、密度、粒徑和下墊面類(lèi)型等。積雪特征參數(shù)精準(zhǔn)測(cè)量的難度較高且難以在大范圍上獲取,從而限制了物理模型在雪深反演中的應(yīng)用。半經(jīng)驗(yàn)雪深反演算法操作簡(jiǎn)便且在算法運(yùn)用過(guò)程中也不需要輸入較多難以獲取的參數(shù),是目前被動(dòng)微波雪深反演領(lǐng)域最常用方法。
1) Chang算法。該算法利用19 GHz和37 GHz的水平極化亮溫差和雪深成正比關(guān)系、建立了代表性半經(jīng)驗(yàn)雪深反演Chang算法,所用數(shù)據(jù)為美國(guó)雨云7號(hào)衛(wèi)星的SMMR,但該算法僅適用于雪深不超過(guò)1 m的情況。當(dāng)雪深超過(guò)1 m后會(huì)出現(xiàn)亮溫飽和; 當(dāng)雪深低于2.5 cm時(shí)將定義為無(wú)雪情況。
Schang=1.59(T19h-T37h),
(1)
其中Schang表示雪深;T19h表示19 Ghz水平極化數(shù)據(jù);T37h表示37 Ghz水平極化數(shù)據(jù); 經(jīng)驗(yàn)系數(shù)1.59是在雪粒徑為0.3 mm,雪密度為0.3 g/cm3的情況下擬合得到的。
2) Foster算法。在Chang算法的基礎(chǔ)上,Foster[6]結(jié)合森林參數(shù)的影響,加入了森林覆蓋度參數(shù)對(duì)Chang算法進(jìn)行了優(yōu)化。
SFoster=0.78(T19h-T37h)/(1-fforest),
(2)
其中SFoster表示雪深;fforest表示森林覆蓋度。0.78為該算法針對(duì)歐亞大陸所擬合的經(jīng)驗(yàn)系數(shù)值。但當(dāng)某個(gè)地區(qū)森林覆蓋度過(guò)高時(shí),Foster算法就會(huì)由于分母1-fforest趨于0而導(dǎo)致算法失效。
3) Che算法。由于Chang算法和Foster算法建立所需的地面實(shí)測(cè)數(shù)據(jù)均不在中國(guó)大陸,且Foster算法在森林覆蓋度過(guò)高時(shí)算法會(huì)失效。針對(duì)該情況,Che[7]基于大量中國(guó)野外積雪測(cè)試數(shù)據(jù),對(duì)Foster算法中參數(shù)進(jìn)行了修正和優(yōu)化,主要調(diào)整了亮溫差的經(jīng)驗(yàn)系數(shù)和森林覆蓋度系數(shù),如下:
SChe=0.72(T19h-T37h)/(1-0.5fforest),
(3)
其中Che算法中亮溫差經(jīng)驗(yàn)系數(shù)調(diào)整為0.72,森林覆蓋度f(wàn)forest系數(shù)調(diào)整為0.5。相比Chang算法和Foster算法,Che算法更適用于中國(guó)地區(qū)的雪深反演,對(duì)森林地區(qū)的雪深反演也有較好反演結(jié)果。
4) Yang算法。該算法利用東北地區(qū)野外實(shí)測(cè)數(shù)據(jù)對(duì)Foster算法進(jìn)行了本地化處理,是一種更適用于東北區(qū)域的半經(jīng)驗(yàn)雪深反演算法[8]。如下:
SYang=0.38(T19h-T37h)/(1-0.7fforest),
(4)
其中Yang算法對(duì)經(jīng)驗(yàn)系數(shù)和森林參數(shù)fforest系數(shù)進(jìn)行了修正和優(yōu)化,亮溫差經(jīng)驗(yàn)系數(shù)調(diào)整為0.38,森林覆蓋度f(wàn)forest系數(shù)調(diào)整為0.7。
2.2 機(jī)器學(xué)習(xí)算法
在森林地區(qū),影響被動(dòng)微波反演結(jié)果的有多種因素,如森林覆蓋度,森林植被透過(guò)率,植被材積量,風(fēng)速和溫度等。這些復(fù)雜的因素都會(huì)影響雪深反演結(jié)果,因此被動(dòng)微波的亮溫?cái)?shù)據(jù)和森林積雪深度數(shù)據(jù)之間并不是單純的線(xiàn)性關(guān)系。近年來(lái),機(jī)器學(xué)習(xí)方法被用于描述積雪深度與被動(dòng)微波數(shù)據(jù)、其他地表參數(shù)的非線(xiàn)性函數(shù)關(guān)系。
1) 決策樹(shù)與隨機(jī)森林。決策樹(shù)是一種基本的機(jī)器學(xué)習(xí)工具,是樹(shù)形圖的形式,由一些分支和節(jié)點(diǎn)組成。決策樹(shù)通過(guò)自上而下的方式,根據(jù)不同分類(lèi)規(guī)則對(duì)數(shù)據(jù)樣本劃分的邏輯方式進(jìn)行計(jì)算,由于這種劃分方式的圖形形狀很像一棵樹(shù)的枝干,因此該算法被稱(chēng)為決策樹(shù)[10]。決策樹(shù)算法具有數(shù)據(jù)準(zhǔn)備流程簡(jiǎn)單,耗費(fèi)資源量小,易于學(xué)習(xí),便于使用等優(yōu)點(diǎn)。隨機(jī)森林就是由多個(gè)決策樹(shù)組成的分類(lèi)器[11]。因此決策樹(shù)算法所具有的優(yōu)點(diǎn)同樣可以在隨機(jī)森林中體現(xiàn),在保證學(xué)習(xí)速度的基礎(chǔ)上,隨機(jī)森林還可以處理更多的數(shù)據(jù),獲得更準(zhǔn)確的分類(lèi)結(jié)果。如Yang[12]等利用隨機(jī)森林算法構(gòu)建了考慮多因素影響的雪深反演算法并取得了精度較高的反演結(jié)果。
2) 遺傳算法[13]。是一種通過(guò)模擬達(dá)爾文生物進(jìn)化論的自然進(jìn)化搜索最優(yōu)解算法,該算法采用概率化的尋優(yōu)方法,不需要確定的規(guī)則就可以自適應(yīng)地調(diào)整搜索方向。并且可在處理復(fù)雜的優(yōu)化問(wèn)題中獲得很好的結(jié)果,并且在機(jī)器學(xué)習(xí)、模型建立優(yōu)化等方面得到了很大的應(yīng)用[14]。針對(duì)森林地區(qū)雪深反演中存在的參數(shù)多、關(guān)系復(fù)雜的問(wèn)題,有人使用遺傳算法進(jìn)行了雪深反演并且得到了較好的反演結(jié)果[15]。
3) 梯度提升回歸樹(shù)[16]。是一種boosting集成學(xué)習(xí)算法,該算法由多棵決策樹(shù)組成。GBRT是連續(xù)進(jìn)行造樹(shù),同時(shí)每棵樹(shù)之間提升的梯度較小,這就讓梯度提升回歸樹(shù)算法在進(jìn)行預(yù)測(cè)時(shí)占用更少的內(nèi)存且具備更快的速度。梯度提升回歸樹(shù)算法是最強(qiáng)大的監(jiān)督學(xué)習(xí)算法之一,也是最為常用的機(jī)器學(xué)習(xí)算法之一,該算法可以防止過(guò)擬合,且算法適用于任何場(chǎng)景。憑借這些優(yōu)勢(shì),梯度提升回歸樹(shù)算法在積雪信息提取領(lǐng)域尤其是雪深反演方面得到了相關(guān)應(yīng)用[17]。
2.3 東北森林地區(qū)半經(jīng)驗(yàn)雪深反演優(yōu)化算法
基于目前代表性的半經(jīng)驗(yàn)雪深反演算法(Foster算法,Che算法 和Yang算法),森林地區(qū)的半經(jīng)驗(yàn)雪深反演公式如下:
S=A(T19h-T37h)/(1-Bfforest),
(5)
其中A表示模型半經(jīng)驗(yàn)系數(shù),B表示森林覆蓋半經(jīng)驗(yàn)系數(shù); 基于東北森林地區(qū)氣象站點(diǎn)數(shù)據(jù)(2013年-2018年共2 500余組數(shù)據(jù)),筆者選用2/3氣象站點(diǎn)數(shù)據(jù)對(duì)A和B兩個(gè)半經(jīng)驗(yàn)系數(shù)進(jìn)行了優(yōu)化和擬合,從而得到東北森林地區(qū)的半經(jīng)驗(yàn)雪深反演優(yōu)化算法,另外1/3氣象站點(diǎn)數(shù)據(jù)則用于驗(yàn)證雪深反演結(jié)果。
1) 森林覆蓋度半經(jīng)驗(yàn)系數(shù)B的選取:由于國(guó)內(nèi)外眾多學(xué)者在該參數(shù)的選擇上均在0.5～0.7的范圍,因此本研究計(jì)算了當(dāng)B從0.5～0.7變化時(shí),雪深反演結(jié)果和氣象站點(diǎn)觀測(cè)數(shù)據(jù)的相關(guān)性。相關(guān)性用相關(guān)系數(shù)R表示,R值越大則相關(guān)性越高。筆者分別針對(duì)A和B兩個(gè)半經(jīng)驗(yàn)系數(shù)進(jìn)行了優(yōu)化和擬合,從而得到新的適用于東北森林地區(qū)的反演算法。
① 森林覆蓋度系數(shù)B的選取:研究隨機(jī)計(jì)算了從0.5～0.7變化范圍內(nèi)算法反演結(jié)果和實(shí)測(cè)雪深數(shù)據(jù)的相關(guān)性。R計(jì)算如下:
(6)
其中yi表示反演雪深,xi表示實(shí)測(cè)雪深,m表示數(shù)據(jù)個(gè)數(shù)。由圖3可見(jiàn)在東北森林地區(qū),當(dāng)森林覆蓋度系數(shù)B=0.5時(shí),反演雪深和實(shí)測(cè)雪深的相關(guān)性最高,隨著系數(shù)B逐漸增大,兩者的相關(guān)性逐漸降低。因此在筆者算法中選擇了和Che算法相同的森林覆蓋度系數(shù),即B的值為0.5。
圖3 森林覆蓋度系數(shù)B與雪深相關(guān)性分析
② 亮溫差半經(jīng)驗(yàn)系數(shù)A的選取。目前雪深反演算法對(duì)亮溫差半經(jīng)驗(yàn)系數(shù)A都選用固定值。通常,氣溫會(huì)對(duì)積雪的凍融狀態(tài)產(chǎn)生影響,而積雪的凍融狀態(tài)會(huì)使積雪的電介質(zhì)特性發(fā)生變化,從而影響到積雪的輻射特性。同時(shí),氣溫還會(huì)對(duì)森林中的植被產(chǎn)生影響,隨著氣溫的降低,植被內(nèi)結(jié)合水和自由水的比例隨之升高,從而影響到森林植被的輻射特性[18]。因此,筆者將森林氣象站觀測(cè)氣溫?cái)?shù)據(jù)引入亮溫差半經(jīng)驗(yàn)系數(shù)A擬合中。東北森林地區(qū)半經(jīng)驗(yàn)雪深反演優(yōu)化算法如下:
S=(0.234Tair(T19h-T37h))/(1-0.5fforest),
(7)
其中Tair表示氣溫?cái)?shù)據(jù)(10-2·K); 0.234是東北森林地區(qū)氣象站觀測(cè)數(shù)據(jù)擬合得到的半經(jīng)驗(yàn)參數(shù)。
2.4 評(píng)價(jià)指標(biāo)
評(píng)價(jià)雪深反演誤差和精度的評(píng)價(jià)指標(biāo)包括均方根誤差RRMSE、相關(guān)系數(shù)R、偏差BBias3種指標(biāo)。相關(guān)系數(shù)R如式(6)所示,另兩種指標(biāo)如下:
(8)
(9)
其中m表示數(shù)據(jù)個(gè)數(shù),yi表示反演雪深,xi表示實(shí)測(cè)雪深。用筆者提出的算法分別和代表性半經(jīng)驗(yàn)雪深反演算法、機(jī)器學(xué)習(xí)雪深反演算法進(jìn)行對(duì)比和分析。
3.1 半經(jīng)驗(yàn)雪深反演算法結(jié)果對(duì)比
將筆者提出的算法與其他代表性半經(jīng)驗(yàn)雪深反演算法在東北森林地區(qū)的雪深反演結(jié)果進(jìn)行比較,并使用森林氣象站點(diǎn)地面觀測(cè)雪深數(shù)據(jù)進(jìn)行誤差分析,分析結(jié)果如圖4所示。由于研究所選取的實(shí)驗(yàn)區(qū)域?yàn)闁|北茂密森林地區(qū),森林覆蓋度普遍比較高,從而造成Foster算法反演結(jié)果誤差過(guò)大,因此沒(méi)有將算法反演結(jié)果和Foster算法進(jìn)行比較。從圖4可看出,4種半經(jīng)驗(yàn)雪深反演算法中,筆者提出的優(yōu)化算法RMSE和Bias最小,相關(guān)性R最高。Yang算法雪深反演誤差是其他3種算法中最小的,和筆者算法相比RMSE平均高1.3 cm,Bias平均高1.8 cm,R平均低0.06。Che算法和筆者提出算法相比,RMSE平均高2.1 cm,Bias平均高3.4 cm,R平均低0.07。Chang算法的精度最低,和筆者提出算法相比RMSE平均要高4.8 cm,Bias平均高7.7 cm,R平均低0.12。研究結(jié)果表明,在東北森林地區(qū),筆者提出的半經(jīng)驗(yàn)雪深反演優(yōu)化算法的適用性更強(qiáng),反演結(jié)果更準(zhǔn)確,同時(shí)也表明了氣溫變化對(duì)于森林地區(qū)雪深反演精度有重要影響。
圖4 半經(jīng)驗(yàn)反演算法誤差分析
3.2 半經(jīng)驗(yàn)雪深反演優(yōu)化算法與機(jī)器學(xué)習(xí)算法結(jié)果對(duì)比
將筆者提出的半經(jīng)驗(yàn)雪深反演優(yōu)化算法和2.2節(jié)中的機(jī)器學(xué)習(xí)算法進(jìn)行了雪深反演對(duì)比,計(jì)算Bias、RMSE和相關(guān)系數(shù)R等評(píng)價(jià)參數(shù)。在使用機(jī)器學(xué)習(xí)算法進(jìn)行雪深反演時(shí),研究將所有氣象站點(diǎn)觀測(cè)數(shù)據(jù)3等分,其中2/3數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),剩余的1/3數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。最終得到的精度分析結(jié)果如圖5所示。由圖5可見(jiàn),筆者所建立算法的RMSE和Bias最小,相關(guān)性最高。機(jī)器學(xué)習(xí)算法中,誤差最小的是隨機(jī)森林算法,和筆者算法相比RMSE高了1.7 cm,Bias高了1.5 cm,R低了0.13; 誤差最大的是梯度提升回歸樹(shù)算法,和筆者算法相比RMSE高了2.8 cm,Bias高了1.9 cm,R低了0.32。
圖5 機(jī)器學(xué)習(xí)算法誤差分析
3.3 東北地區(qū)雪深反演結(jié)果
筆者選擇2014年1月11日冬季被動(dòng)微波遙感數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),采用筆者算法和其他算法對(duì)該日期的研究地區(qū)雪深進(jìn)行反演,各方法雪深反演結(jié)果如圖6所示。圖6a是MODIS衛(wèi)星的MOD09A1光學(xué)數(shù)據(jù)無(wú)云產(chǎn)品(空間分辨率500 m),白色區(qū)域?yàn)榉e雪覆蓋區(qū)域。由于光學(xué)遙感影像無(wú)法觀測(cè)到森林下的積雪情況,研究地區(qū)東部和北部的森林地區(qū)光學(xué)影像為深色。由圖6b可見(jiàn),Chang算法雪深反演結(jié)果中雪深最大值可達(dá)到77 cm,明顯高于正常雪深值。圖6c是Foster算法雪深反演結(jié)果,當(dāng)森林覆蓋度過(guò)高時(shí),根據(jù)式(2)Foster算法反演的分母會(huì)趨近于0,這就會(huì)導(dǎo)致得到該方法雪深反演結(jié)果很高,也反映出了Foster算法不適用于東北森林地區(qū)。為方便觀察,將圖6c中雪深最大值設(shè)置為50 cm,雪深超過(guò)50 cm的區(qū)域按50 cm展示,雪深較深的地區(qū)基本為東部和北部地區(qū)。由圖6d～圖6f可見(jiàn),筆者提出算法在積雪覆蓋區(qū)域和雪深與Yang算法和Che算法結(jié)果都比較相近,且雪深反演范圍在Yang和Che之間。
圖6 雪深反演結(jié)果
筆者在代表性半經(jīng)驗(yàn)雪深反演算法的基礎(chǔ)上,考慮了森林植被介電常數(shù)隨氣溫變化的特性,結(jié)合森林氣象站點(diǎn)觀測(cè)數(shù)據(jù)建立了適用于東北森林地區(qū)的半經(jīng)驗(yàn)雪深反演優(yōu)化算法。實(shí)驗(yàn)結(jié)果表明與其他代表性半經(jīng)驗(yàn)算法相比,筆者算法的RMSE平均減小了2.3 cm,Bias平均減小了3.7 cm,R平均提升了0.11。筆者還將所建立算法與常用的機(jī)器學(xué)習(xí)雪深反演算法進(jìn)行對(duì)比,結(jié)果表明筆者算法的RMSE平均減小了2.17 cm,Bias平均減小了1.67 cm,R平均提升了0.22。研究結(jié)果表明,在東北森林地區(qū),筆者提出的半經(jīng)驗(yàn)雪深反演優(yōu)化算法的適用性更強(qiáng),反演結(jié)果更準(zhǔn)確,同時(shí)也表明了氣溫變化對(duì)于森林地區(qū)雪深反演精度有重要影響。
猜你喜歡 演算法雪深覆蓋度 呼和浩特市和林格爾縣植被覆蓋度變化遙感監(jiān)測(cè)科學(xué)技術(shù)創(chuàng)新(2022年30期)2022-10-21《四庫(kù)全書(shū)總目》子部天文演算法、術(shù)數(shù)類(lèi)提要獻(xiàn)疑國(guó)學(xué)(2021年0期)2022-01-18基于NDVI的晉州市植被覆蓋信息提取農(nóng)業(yè)與技術(shù)(2021年23期)2021-12-14單多普勒天氣雷達(dá)非對(duì)稱(chēng)VAP風(fēng)場(chǎng)反演算法裝備制造技術(shù)(2020年3期)2020-12-25低覆蓋度CO分子在Ni(110)面的吸附研究原子與分子物理學(xué)報(bào)(2020年5期)2020-03-17一種基于頻率與相位算法的雷達(dá)雪深探測(cè)方法成都信息工程大學(xué)學(xué)報(bào)(2018年3期)2018-08-29高原冬季雪深與重慶夏季降水的年際關(guān)系研究成都信息工程大學(xué)學(xué)報(bào)(2018年2期)2018-06-27運(yùn)動(dòng)平臺(tái)下X波段雷達(dá)海面風(fēng)向反演算法系統(tǒng)工程與電子技術(shù)(2016年4期)2016-08-24鐵路防災(zāi)雪深圖像采集的設(shè)計(jì)和實(shí)現(xiàn)鐵道通信信號(hào)(2016年5期)2016-06-01電渦流掃描測(cè)量的邊沿位置反演算法研究組合機(jī)床與自動(dòng)化加工技術(shù)(2014年10期)2014-03-01